Incidence and severity of early electrolyte abnormalities following autologous haematopoietic stem cell transplantation
Notice bibliographique
Résumé
BACKGROUND: Haematopoietic stem cell transplantation (HSCT) has gained worldwide acceptance as a therapeutic option for many haematological and non-haematological conditions. Local experience supports that electrolyte abnormalities are quite common; however, the incidence and timing of these abnormalities are unknown. METHOD: We conducted a retrospective descriptive study of 48 consecutive adult patients in order to study the incidence and the timing of electrolyte abnormalities following autologous HSCT. Clinical and pharmacological data were collected by the review of patient charts. Potassium, magnesium, calcium, phosphorus and albumin levels were retrieved from the laboratory. RESULTS: HSCT was performed for multiple myeloma (28/48), lymphoma (8/48), Hodgkin disease (4/48), amyloidosis (4/48) and other neoplasia (4/48). At baseline, 21% of patients (10/48) had low electrolyte levels. Following autologous HSCT, hypokalaemia occurred in 81% (39/48), hypomagnesaemia in 67% (32/48), hypocalcaemia in 49% (17/35) and hypophosphataemia in 91% (39/43) of the patients. The nadir of the electrolyte levels occurred between day 8 and 10 after stem cell transplant while the engraftment occurred at day 11.6+/-0.6. The use of amphotericin B and furosemide was associated with more pronounced hypokalaemia and hypomagnesaemia. Hypocalcaemia was more pronounced in patients with multiple myeloma. High levels of electrolytes occurred in only 25% of the patients, none of which required specific treatment. CONCLUSION: We conclude that low electrolyte levels are extremely common after HSCT and the pathophysiology of these abnormalities are complex and multifactorial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».